CN107766879A - 基于特征信息抽取的mlp电网故障原因诊断方法 - Google Patents

Abstract

本发明公开了一种基于特征抽取的MLP电网故障原因诊断方法，应用于电力系统。所述方法是从不同一、二次电力应用系统中，按照电网故障原因提取有效特征量并归类、编码，构造故障数据样本，并使用故障信息标本数据对MLP算法进行训练，当故障发生后对故障时刻的特征量按照相同步骤处理形成故障数据和编码，作为MLP算法输入进行概率计算，输出最大概率值的节点所对应的故障原因作为本次故障的原因。同时，诊断结果可作为故障数据样本对MLP算法模型进行自动调优。本发明能够快速定位、分析电网故障原因，为快速隔离切除故障源提供有力支撑，保证电网可靠稳定运行。

Description

基于特征信息抽取的MLP电网故障原因诊断方法

技术领域

本发明应用于电力系统调度自动化领域，是辅助电网故障原因诊断分析的一种方法。

背景技术

在电力系统运行过程中，很多因素会造成电网系统故障，影响系统的稳定运行，通过分析各种典型故障，提供可纠正和学习的模板化、计算自动化的电网故障诊断方法，可以帮助调度和运行人员快速分析、定位故障原因，使故障造成的损失减到最小。

传统的电网故障诊断基本由电力专业技术人员通过分析故障数据，现场勘察等方式实现，在天气、地理环境恶劣条件下，人工方式先天的效率低下、时间长、成本高等缺陷不可避免。而现有的一些诊断方法，需要分析故障录波数据中的电流、电压，但这些因素与故障原因的直接依赖关系不高，分析结果可靠性低，同时需要配置繁多的一、二次设备间的对应信息、定值和运行参数等关联关系，人工工作量巨大，实用性不强。也有采用基于SVM算法实现诊断的方法，作为一种二分类器算法，其缺点在于：核函数确定后，其在高维空间映射方式就唯一确定了，映射方式搜寻为被动方式，分类效果是否有效并不确定，同时在样本个数较大时矩阵的存储和运算需要更多的内存空间及计算时间，其在运行时也需要大量人工进行配置。

随着智能化的保护装置在电网广泛应用，依托电网地理信息系统、天气信息系统、故障信息管理系统等高级应用系统于一身的一体化网级电网应用系统，本申请提出一种基于特征信息抽取的MLP(即多层感知器)电网故障原因诊断方法，以历史故障综合信息作为样本，对诊断模型进行训练，实时故障数据进行模型强化，并以此模型对故障原因进行实时诊断。

发明内容

本发明的目的是为了解决目前电网故障原因各种诊断方法的不足，主要包括：未能发挥网级电网系统的海量数据平台优势，没有科学的、系统的挖掘和利用各种电力专业数据的内在关系来综合定位电网故障原因的问题，导致诊断的滞后性，以及诊断模型不能动态优化等问题。因此本发明提出了一种基特征抽取的MLP 电网故障原因诊断方法。

本发明具体采用以下技术方案：

一种基于特征抽取的MLP(Multi-layer Perceptron，多层感知器)电网故障原因诊断方法，其特征在于：所述方法是从电力应用系统中，按照电网故障原因提取有效特征量并归类、编码，构造故障数据样本，并使用故障信息样本数据对 MLP算法进行训练，当故障发生后对故障时刻的特征量按照相同步骤处理形成故障数据和编码作为MLP算法输入进行概率计算，输出最大概率值节点所对应的故障原因作为本次故障的原因。

基于特征抽取的MLP电网故障原因诊断方法，其步骤为：

步骤1：基于历史电网故障数据，统计、分析故障原因的依赖因素，根据保护装置动作信息、分散录波数据、天气情况、季节、地理信息，形成故障特征量表，故障特征量包含故障相别、故障季节、故障时间、故障类型、天气状态、温度、湿度、风力和地理位置；

步骤2：按照故障特征量表中的故障特征量，从历史电网故障信息、电网气象信息系统及电网地理信息系统中提取故障时刻的特征量数据并分别进行分类，依据分类编码规则对故障特征量和故障原因进行多分类编码，形成故障数据样本，存入数据库的故障数据样本表中；

步骤3：采用多层结构的MLP多层感知器算法，感知器层数可设置，本发明在输入层采用9个输入(与故障特征量个数相同)，隐藏层为2层且每个隐藏层采用12个神经元，输出层为9个输出(与故障原因个数相同)。

隐藏层输出采用sigmoid函数即：

输入使用用向量x表示，m为输入神经元个数；i为输入神经元序号，f(x)为隐藏层的输出，w为权重，b为偏置系数。隐藏层每个神经元均有对应的w和b。

输出层的输出采用多分类softmax函数进行逻辑回归，从步骤2保存到数据库的故障数据样本表中随机选取样本总数的70％组成训练样本集，剩余30％样本组成验证样本集，使用训练样本集中样本数据对MLP算法进行训练，并将各隐藏层和输出层的所有神经元的权重w和偏置系数b的训练结果、感知器层数、训练样本个数、训练时间存入数据库的模型参数表中，以训练时间作为唯一索引 ID；

步骤4：使用步骤3中选取的验证样本集中样本对模型参数的训练结果进行检验并统计正确率，将正确率存入对应的模型参数表中，统计模型参数表中正确率，标记正确率最高的记录所对应的唯一索引ID，后续电网故障原因诊断MLP 算法将使用此唯一索引ID所对应的模型参数；

步骤5：当电网发生故障后，将从线路保护装置采集的动作事件信息、故障后电流和电压值及分散录波数据中，提取故障时间、故障相别，分析出故障类型，进一步从电网气象信息系统和地理信息系统获取对应故障时刻的天气情况及故障线路的地理位置，形成故障数据，作为输入参数，使用电网故障原因诊断MLP 算法进行概率计算，输出最大概率值的节点位置所对应的故障原因的分类编码，组合故障数据和故障原因诊断结果形成故障数据样本，存入数据库的故障数据样本表中；

步骤6：如果人工验证故障诊断原因或故障特征量分类不正确，可手动修改故障原因及故障特征量分类，形成新故障数据样本，更新数据库中同时刻的故障数据样本表对应记录，重复步骤3和4对电网故障原因诊断MLP算法模型进行动态修正。

本发明相对于现有技术，具有以下有益的技术效果：

本发明基于一体化电网系统的多类型、大数据分析应用，深度鉴别电网故障的成因和内在关联关系，有效提取故障原因的依赖因素，自动对算法进行训练、修正，支持算法参数的自动选优和应用，本发明为电力专业人员快速分析和确认电网故障原因，为后续检修和防范故障，提供了坚实的科学基础，具有较强的实用价值。

附图说明

下面结合附图及具体实施例对本发明再作进一步详细的说明：

图1是特征量提取分类及模型训练验证示意图；

图2是基于特征抽取的MLP电网故障原因诊断方法流程示意图。

具体实施方式

下面参考图1～2，具体说明本发明的实现方法。本发明的一种基于特征抽取的MLP电网故障原因诊断方法，首先如图1所示，具体实施方案如下：

步骤1：根据历史电网故障情况，对电压、电流、故障相别、故障类型、发生时间、季节和故障发生时的天气和地理情况等因素进行逐项统计分析，使用SPSS(StatisticalProduct and Service Solutions，统计产品与服务解决方案)工具，采用多层感知器神经网络算法对每项因素实施回归分析，筛选出显著性高的因素作为诊断所用有效的故障特征量，形成故障特征量表，如图1所示：

故障特征量表
	季节
时间
	故障类型
相别
	天气
湿度
	温度
风力
	地理位置

表1 故障特征量表定义

步骤2：从历史电网故障信息、电网气象信息系统及电网地理信息系统中按照故障特征量表提取故障时刻的特征量数据，对每项特征量分别进行分析和分类，并依据各个特征量和故障原因对应的编码规则，对故障特征量和故障原因进行多分类编码，每组故障原因分类码、特征量分类码组成一组故障数据样本，存入数据库的故障数据样本表中。特征量和故障原因对应的编码规则如表2所示：

表2 故障数据样本表和分类编码规则定义

步骤3：采用多层结构的MLP多层感知器算法，层数可根据需要设置，隐藏层输出采用sigmoid函数，输出层输出采用多分类softmax函数进行逻辑回归。本方法以四层结构MLP为例说明算法流程。四层MLP即除输入、输出层外包含两个隐藏层，输入层有9个神经元，每个隐藏层包含12个神经元，输出层包含9个神经元。，函数f(x)为隐藏层的输出采用sigmoid函数：

y为隐藏层输出，x为隐藏层输入，f为激活函数，m为输入神经元个数，i为输入神经元序号，w为权重，b为偏置系数。例如：第一个隐藏层的神经元输出为 s(w⁽¹⁾x+b⁽¹⁾)，其中w⁽¹⁾是第一个隐藏层的权重，b⁽¹⁾是第一个隐藏层的偏置。隐藏层每个神经元均有对应的w和b。

输出层的输出为G(w⁽²⁾x₁+b⁽²⁾)，其中x₁表示隐藏层的输出s(w⁽¹⁾x+b⁽¹⁾)。因此使用四层MLP的公式为：f(x)＝G(b⁽³⁾+w⁽³⁾(s(b⁽²⁾+w⁽²⁾(s(b⁽¹⁾+w⁽¹⁾x))))) ，其中G是softmax函数，s是sigmoid函数。从由步骤2生成并保存在数据库中的故障数据样本随机选取总样本数70％的样本组成训练样本集，剩余的30％样本组成验证样本集，使用训练样本集中的样本对MLP算法进行训练，将感知器层数、各隐藏层和输出层的所有神经元的权重和偏置系数的训练结果、总训练样本个数、训练时间等信息存入数据库的MLP模型参数表中，以训练时间作为模型唯一索引ID，通过此唯一索引ID定位模型参数表内记录。

表3 MLP模型参数表结构定义

步骤4：使用步骤3中选取的验证样本集中的特征量作为输入，使用步骤3 中MLP算法训练结果并以唯一索引ID标识保存的模型进行计算预测，将预测结果与验证样本集中的原因码进行比对，统计预测正确率，并存入对应唯一索引 ID标识的模型参数表中。遍历算法参数表，选取正确率最高的模型参数配置，记录对应的唯一索引ID，作为后续电网故障原因诊断MLP算法的应用参数。

步骤5：当电网发生故障后，根据故障特征量表中定义的特征量，对从线路保护装置采集的动作信息、模拟量信息、分散录波文件进行在线分析，提取故障时间、故障相别，分析出故障类型，从电网气象信息系统和电网地理信息系统获取故障时刻断面的天气情况及故障线路的地理位置信息，形成故障特征量数据，输入电网故障原因诊断MLP算法进行计算，输出最大概率值所对应的故障原因码，将原因码与故障特征量数据组合形成故障样本数据存入数据库的故障数据样本表中。

步骤6：自动故障原因诊断结果通过告警界面或查询界面展示，经人工调阅和确认，如果人工验证原因诊断结果不正确，可在展示界面修改故障原因和故障特征量分类，组成一条新的故障数据样本，更新数据库中已存入故障数据样本表的本次故障数据的样本记录，同时需要对MLP算法进行再次训练以修正算法参数，重复步骤3和4实现对MLP算法参数进行动态修正。

按照上述方法，本发明旨在为电力系统故障分析提供一种基于特征抽取的 MLP电网故障原因诊断方法，其方法的具体技术方案由本发明的权利要求所限定。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (2)

1.一种基于特征抽取的MLP电网故障原因诊断方法，其特征在于：所述方法是从电力应用系统中，按照电网故障原因提取有效特征量并归类、编码，构造故障数据样本，并使用故障信息标本数据对MLP算法进行训练，当故障发生后对故障时刻的特征量按照相同步骤处理形成故障数据和编码作为MLP算法输入进行概率计算，输出最大概率值的节点所对应的故障原因作为本次故障的原因。

2.一种基于特征抽取的MLP电网故障原因诊断方法，其步骤为：

步骤1：基于历史电网故障数据，统计、分析故障原因的依赖因素，根据保护装置动作信息、分散录波数据、故障发生时的天气情况和季节及所处地理位置信息，形成故障特征量表，故障特征量包含故障相别、故障季节、故障时间、故障类型、天气情况、温度、湿度、风力和地理位置；

步骤2：按照故障特征量表中的故障特征量，从历史电网故障信息、电网气象信息系统及电网地理信息系统中提取故障特征量在故障时刻的数据并分别进行分类编码，依据分类编码规则对故障特征量数据和故障原因进行多分类编码，形成故障数据样本，存入数据库的故障数据样本表中；

步骤3：采用多层结构的MLP多层感知器算法，感知器层数可设置，隐藏层输出采用sigmoid函数即：

<mrow> <mi>y</mi> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> <mo>-</mo> <mi>b</mi> </mrow> </msup> </mrow> </mfrac> </mrow>

其中，y为隐藏层输出；f为激活函数；x为隐藏层输入；w为权重；b为偏置；m为输入神经元个数；i为输入神经元序号。

输出层的输出采用多分类softmax函数进行逻辑回归，从步骤2保存到数据库的故障数据样本表中随机选取样本总数的70％组成训练样本集，剩余30％样本组成验证样本集，使用训练样本集中样本数据对MLP模型进行训练，将各层的权重和偏置系数的训练结果、感知器层数、训练样本个数、训练时间存入数据库的算法参数表中，以训练时间作为唯一索引ID；

步骤4：使用步骤3中选取的验证样本集中样本对算法参数的训练结果进行检验并统计正确率，将正确率存入对应的算法参数表中，统计算法参数表中正确率，标记正确率最高的记录所对应的唯一索引ID，后续对电网故障原因进行诊断时使用MLP算法将使用此唯一索引ID所对应的算法模型参数即权重w和偏置b；

步骤5：当电网发生故障后，将从线路保护装置采集的动作事件信息、故障后电流和电压值及分散录波数据中，提取故障时间、故障相别，分析出故障类型，进一步从电网气象信息系统和地理信息系统获取对应故障时刻的天气情况及故障线路的地理位置，形成故障数据，作为输入参数，使用MLP算法使用进行概率计算，输出最大概率值所对应的故障原因码，组合故障数据和故障原因诊断结果形成故障数据样本，存入数据库的故障数据样本表中；

步骤6：如果人工验证故障诊断原因不正确，手动修改故障原因及故障特征量分类，形成新故障数据样本，更新数据库中同时刻的故障数据样本表对应记录，重复步骤3和步骤4对MLP算法参数进行动态修正。